CA2558336A1

CA2558336A1 - Method for updating a geological reservoir model using dynamic data

Info

Publication number: CA2558336A1
Application number: CA002558336A
Authority: CA
Inventors: Lin Ying Hu; Mickaele Le Ravalec-Dupin
Original assignee: IFP Energies Nouvelles IFPEN
Current assignee: IFP Energies Nouvelles IFPEN
Priority date: 2005-09-05
Filing date: 2006-09-01
Publication date: 2007-03-05
Anticipated expiration: 2026-09-01
Also published as: US20070055447A1; FR2890453B1; US7363163B2; CA2558336C; EP1760492A1; FR2890453A1; EP1760492B1; NO20063935L

Abstract

- Méthode pour mettre à jour un modèle géologique de réservoir par intégration de données dynamiques. - On construit une carte initiale (.gamma.) de propriétés pétrophysiques à l'aide d'un simulateur géostatistique et de données statiques. Puis l'on construit un jeu initial de points pilotes graduels (PP i), ainsi qu'au moins un jeu complémentaire de points pilotes graduels (PP c). On construit alors un jeu combiné de points pilotes graduels (PP(t)) en combinant ces jeux de points pilotes graduels suivant la méthode de déformation graduelle dans laquelle au moins un paramètre de déformation est un paramètre caractéristique desdits points pilotes (position et/ou valeur). On modifie ensuite la carte initiale (.gamma.) en tenant compte des propriétés pétrophysiques et du jeu combiné de points pilotes graduels (PP(t)). Ensuite, on modifie les paramètres de déformation en fonction des données dynamiques et l'on réitère à l'étape de construction du jeu combiné jusqu'à ce qu'un critère d'arrête soit atteint. Enfin, on met à jour le modèle géologique de réservoir, en associant la carte ainsi optimisée au maillage du modèle. - Application notamment à l'exploitation de gisements pétroliers par exemple.- Method for updating a geological model of a reservoir by integrating dynamic data. - We build an initial map (.gamma.) Of petrophysical properties using a geostatistical simulator and static data. Then we construct an initial set of gradual pilot points (PP i), as well as at least one complementary set of gradual pilot points (PP c). A combined set of gradual pilot points (PP (t)) is then constructed by combining these sets of gradual pilot points according to the gradual deformation method in which at least one deformation parameter is a characteristic parameter of said pilot points (position and / or value). We then modify the initial map (.gamma.) Taking into account the petrophysical properties and the combined set of gradual pilot points (PP (t)). Then, the deformation parameters are modified as a function of the dynamic data and the step of constructing the combined game is repeated until a stopping criterion is reached. Finally, the geological model of the reservoir is updated, by associating the map thus optimized with the mesh of the model. - Application in particular to the exploitation of oil fields for example.

Description

1\IÉTIIODE POUR 1\IET'l'RE ~ JOUR UN 1\IOD~LE GÉOLOGIQUE DE
RÉSER1'OIR Ä L'AIDE DE DONNÉES D1'NAI\IIQUES
La présente invention concerne une méthode pour mettre à jour un modèle géologique de rcsen~oir, représentatif de la structure et du comportement d'un résenoir pétrolier, par intégration de données dynamiques.
Plus particulièrement, la méthode selon l'lllventloll S'applique à la construction d'une cane, associée au modèle géologique de résen-oir, représentative des propriétés pétrophysiqucs statiques et dynamiques ainsi que de leurs variabilitcs spatiales.
La méthode vise à donner à l'ingénieur les moyens de mieux estimer les rcsen~cs d'un gisement pétrolier et d'en optimiser la récupération en choisissant un schéma de production adéquat.
État de la technique L'optimisation et l'exploitation des gisements pétroliers reposent sur une description aussi précise que possible de la structure et du comportement du résen~oir étudié. Pour ce faire, les spécialistes utilisent un outil qui permet de rendre compte de ces deus aspects dc façon approchée : le modèle géologique dc réscn~oir. Un modèle géologique dc réscwoir a donc pour vocation de rendre compte, au mieux, de la structure et du comportement du réservoir. Le modèle est, pour ce faire, constitué de différents éléments : un maillage qui constitue l'ossature du résen~oir et qui doit être représentatif dc la structure, et des cartes de propriétés pétrophysiques associées à ce mailla~~e et qui doivent ëtre représentatives du compurtement. Cette association consiste à attribuer une valeur pétrophysiquc issue de cartes à chaque maille du modèle.
Une carte de propriété pétrophysique décrit la répartition spatiale, ou structure spatiale, dans une zone soutcn-aine, dc propriétés pétrophysiqucs continues ou discrètes, C(1111111C la pennéahilité, la porosité, le type de lithologie...
Classiquement ces cartes sont obtenues à partir de méthodes stochastiques, et sont alors appeles : modèles stochastiques.
Dans un contexte stochastique, on parle plutüt dc réalisations que de modèles numériques.
De la précision de ces réalisations stochastiques (cartes de propriétés pétrophysiques) va donc dll'eCfCmCnt dcpcndre la qualité de l'optimisation et de l'exploitation d'un gisement pétrolier. I1 convient donc d'élaborer des réalisations stochastiques, et donc plus généralement des modéles dc rcscn~oir, aussi cohérents que possibles avec l'ensemble des données collectées (puits, SlsmlquCS, laboratoires,...).
Les données dont on dispose pour contraindre les réalisations stochastiques sont dites S statiques ou dynamiques. Une donnée est statique si elle correspond à une mesure de la propriété modélisée en un point donné et si elle est indépendante du temps.
Lcs mesures de perméabilité làites en laboratoire sur des échantillons de roches ou encore les diagraphies mesurées le long des puits sont des données statiques, par exemple. Une donnée est dynamique si elle dépend du temps, elle est liée à la propriété modélisée, mais n'en est pas une mesure directe. Les données de production et les données de sismique -1D
qui varient avec les écoulements de fluides sont des données dynamiques. Comme les données sont insuffisantes pour permettre une description déterministe de la répartition spatiale de la propriété considérée, on recourt à des techniques de modclisation stochastique, lc plus souvent basées sur des techniques géostatistiques, qui fournissent une famille de modèles stochastiques numériques associés au modèle géologique de résewoir, et appelés réalisations.
Dans un contexte stochastique, les données décrivant la géologie du milieu définissent une fonction aléatoire. Pour une mëme fonction aléatoire, il existe une infinité
de réalisations possibles. Toutes ces réalisations ne sont pas compatibles par contre avec ?0 les données dynamiques.
L'intégration des domiécs statiques et dynamiques dans la réalisation stochastique n'est pas réalisée de la même façon. L'intégration des données statiques s'effectue au moment de la génération de la réalisation tandis que celle des dOIlIléCS
dynamiques passe par la résolution d'un probl~me inverse faisant appel au simulateur d'écoulement. Pour aborder le prubléme inverse, on commence par définir une fonction dite objectif, ou encore « fonction coût », qui mesure l'intérét de la réalisation ou du modèle de résen~oir proposé.
Dans les premiers travaux consacrés à ce sujet, la fonction objectif était une mesure directe de la différence entre les données dynamiques collectées sur le terrain et les réponses COITCSp011da11tCS O11IC11UCS par simulation 0 J~y~ _ ~ lv, ~cl f;"~, - ~~rs, ~~

y est la réalisation considérée ct J(y) la valeur de la fonction objectif pour cette réalisation. Les w sont des coefficients de pondération. Lcs d"~" sont les données dynamiclucs collectées, et les d,';", sont les réponses correspondantes simulées. g est l'opérateur qui va de l'espace des réalisations non contraintes vers l'espace des données dynamiques : d,;", _ ~~(y). En minimisant cette fonction objectif, on détcnnine une réalisation y reproduisant aussi bien que possible l'ensemble des données dynamiques.
Malheureusement, la structure spatiale de la réalisation y ainsi obtenue n'est en général plus cohérente avec celle de la réalisation initiale, c'est à dire avec les dcmnées géologiques.
Un cadre plus adapté à la définition de la fonction objectif est fourni par l'approche bayésienne. On ajoute alors de l'information a priori dans la fonction objectif Cette approche est décrite dans le document suivant - Tarantola, A., 1987, « Inverse problem theory - l~lcthods for data fitting and model parameter estimation. », Elsevier, Amsterdam, 613 p.
La fonction objectif s'exprime alors comme suit J(f)=2(s(~~)-a,bs)~~D(s~(~)-~~Gs)+~(~~-~~0)~~1'I(~~-~'~) Le premier tonne de la fonction objectif traite de la contrainte de vraisemblance : il mesure l'écart entre les données dynamiques observées sur le terrain et les données équivalentes obtenues par simulation numérique. Le deuxième tenue correspond à
la contrainte a priori : il quantifie la différence entre le modèle de résen~oir a priori, ~y, déduit des informations géologiques a priori, et le modèle de réservoir proposé, y.
La matrice de covariance C~ caractérise les inceuitudes expérimentales et théoridues, tandis que C>
relève de l'incertitude sur le modèle a priori. La 11111111111sat1C111 de la fonction objectif fournit alors un modcle y peu éloigné que possible du modèle a priori ct tel que les données d""' ?s simulées pour ce modèle soient proches des données mesurées sur le terrain.
Le calcul de la fonction objectif peut s'avérer difficile, notamment à cause des deux Illatl'lles de covariance qu'il faut inverser. En règle générale, la matrice de covariance relative aux données est supposée diagonale et s'inverse aisément. Cette hypothèse est assurément discutable suivant les cas envisagés, par exemple avec la sismique ~1D, mais n'est pas remise en cause ici. Le cas de la matrice de covariance relative au modcle y est plus embarrassant. En effet, la matrice de covariance a priori C,~ a pour dimension la lon~ucur du vecteur y et le calcul de son inverse est souvent impossible pour les modélcs (:Olllportallt un nombre trés important de mailles. A ce jour, pour simplifier la prise en compte de la contrainte a priori, essentiellement trois types d'approches ont été
développés. Le premier type d'approche reléve de la décomposition de la matrice dc covariance C,- dans des sous-espaces : les composantes les nnoins inlluentes sont né~~ligées, ce qui permet de réduire le nombre de variables. Cette technique est décrite dans le document suivant - Reynolds, A. C., He, N., Cltu, L., and Olivet, D. S., 1995, « I<epnna»mtcr-i=atio»
teck»figues for' gc»cralirr,; reserwoir dcscriplio»s co»ditio»ed to oaringrams a»cl wcll-test pressrwe data. », SPE Annual Technical Confcrence and Exhibition, Dallas, TAC, 22-23 October, SPE 30588, p. 609-624.
Le deuxième type d'approche repose sur la modélisation mathématique des erreurs dans l'espace des paramètres par une fonction aléatoire gaussienne de moyenne zéro et de I ~ covariance exponentielle le lonb de direcaiuns privilégiées. II existe alors des propriétés mathématiques qui permettent de calculer analytiquement l'inverse de la matrice de covariance a priori. Cette méthode est décrite paf exemple dans le brevet FR 2 (US 4 972 383).
Enfin, le troisiémc type fait intervenir un paramétrage géostatistique. S'y distinguent la méthode des points pilotes introduite dans le document suivant - Marsily, G. de, 1978, « De l 'ide»tificatio» des svstè»rcs Ir_vdrologigucs.
», Thèse de Doctorat d'État, Université Paris V1, France.
et la méthode de déformation graduelle décrite clans le document suivant - Hu, L.Y., 2000, « Gr-aclrrcrl dc/mn»crtio» a»d iteratioc calibratlo» of Gaussia»-nelatcd stoclrastic models. », Math. Gcology, v. 32, no. l, p. 87-108.
La méthode des points pilotes a d'abord été introduite dans Ic cadre dc l'estimation avant d'are étendue au conditionnement de réalisations stochastiques par des données dyllanllqUCS pur S
- RamaRao, B.S., LaVenuc, A.M., de Marsilly, G ., and Marietta, M.G., 1995, «Pilot purot nmlltoclulu~~v Jûn crrrtumutc~cl culibrcrtiun uJ~ an c~nsemblc~
u/
conditiona!!v simulutecl transnrissiaily ,/ielcls. 1. T7m'oyv nucl computmionul crxperinu~nts. », Water Res. Res., 31 (3), 475-493.
Ccttc technique pcnnet de défonncr localement des réalisations à partir d'Un 11ot71bCe réduit de paramètres, tout en respectant la variabilité spatiale de la propriété modélisée (pcnnéabilité, porosité, vitesse...). Brièvement, pour modilicr la réalisation, on sélectionne un ensemble de points (ou mailles), dits pilotes, dont Ics valeurs peuvent ctre modifiées. La perturbation engendrée en ces points est propagée à l'ensemble de la réalisation par kri~ca~e suivant l'expression J'a~~-J~,m-~~~+~J~~~~-J'AOO
y est une réalisation non contrainte. y,,~ résulte du kri~ea~e des données statiques et des valeurs des points pilotes et Jy du krigea~e des valeurs de J~ aux mémes points. Jr est une réalisation contrainte qui honore le modèle de variabilité spatiale et les valeurs des 1 ~ données statiques ainsi que les valeurs choisies pour les pouUs pilotes.
En d'autres tenues, on assimile les points pilotes à des données statiques que l'on utilise pour contraindre la réalisation. Les valeurs des points pilotes sont les paramètres du problème d'opt11711Sat1o11.
Ces « escudos » données, contrairement aux véritables données statiques, nc sont pas fixes : elles peuvent varier pendant le processus d'optimisation de façon à
réduire la fonction objectif. Comme les modifications sont propagées à toute la réalisation par krigeage, on assure la consel-vation du modèle de variabilité spatiale. Dès lors, il est considéré comme redondant d'ajouter le tenue relatif à la contrainte a priori dans la limction objectif. Cette dCnllCre SC ralnellC alors au tenue unique mesurant l'écart entre Ies données dynamiques réelles et les réponses correspondantes obtenues par simulation. ll n'est plus nécessaire de déterminer l'inverse de la matrice de covariance a priori. Cette propriété est fondamentale et caractéristique de la méthode des points pilotes.
Toutefois, la méthode des points pilotes peut donner lieu à des artefacts numériques.
Dans certains cas, la minimisation de la fonction ohjectif passe par l'attribution de valeurs extrëmes aux points pilotes. On peut alors aboutir à des valeurs soit trup (ilrtes, soit trop faibles, qui n'ont plus vraiment de sens, physiquement parlant. Pour éviter ces artcflcts, des contraintes par inégalités peuvent ctre intégrées dans le processus d'optimisation : Ics variations des paramétres sont alors bomécs. Cette technique est précisée dans le doC11171e11t de RamaRao et al. ( 1990 précédemment cité. Par ailleurs, Ics valeurs des points pilotes sont ajustées indépenclanmmcnt Ics unes des autres. ll faut donc que les points pilotes soient séparés par une distance supérieure uu égale à la longueur de corrélation. Si cotte distance minimale n'est pas respectée, la méthode des points pilotes ne garantit pas la préservation du modéle de variabilité spatiale.
La méthode dc déformation braducllc a été initialement proposée peur modifier continûment des processus stochastiques Gaussions (processus aléatoires).
C'est une technique de paramétrage géostatistique qui permet de déformer une réalisation d'un modèle de résen~oir comprenant un nombre quelconque de mailles à partir d'un nombre réduit de paramètres, tout en respectant le modèle de variabilité spatiale. Le concept de base est que la somme de fonctions aléatoires Gaussicnnes est une fonction aléat~irc Gaussicnnc.
Le schéma de détonnation graduelle le plus simple consiste à additionner deux fonctions aléatoires molli Gaussiennes. Soient 3'~ et Y', deux telles fonctions, indépendantes et stationnaires d'ordre 2. On les suppose aussi de mènes moyenne (a~), variance et modèle de covariance. On construit une nouvelle fonction aléatoire l'(t) en combinant l't et i'~ suivant l'expression }~~t ~-y~, _ ~1.~ -Y" ~cos(t~+ ~Yz -~u" ~sin(t~
On peut montrer que pour tout coefficient de déformation t, Y a mime moyenne, variance et modèle de variabilité spatiale que Y~ et r'~. En effet, la somme des coef~ticicnts au carré, c'est à dire cos~(t)+sin~(t), vaut 1. Suivant ce principe de combinaison, on peut, à
partir de deux réalisations indépendantes de Yt et Y', notées y~ ct ie, construire une chaine de réalisations dépendant uniquement du paramètre de déformation t.
?5 .l~~t~ yn [1'I Vn]CC1S(t)~ [b~z -volslll(t) Cette chaîne de réalisations passe par yt et y~. Quand t vaut 0, y égale y~.
Quand t vaut ~clZ, y égale y'. En variant continûment Ic coefficient de déformation l depuis 0, on simule la défonnatiun continue dc la réalisation at. En variant continînment Ie coefficient de défonmation t depuis 0, on simule la déformation continue de la réalisation y, prise comme réalisation initiale. Un point essentiel est que, peur toute valeur de t, la réalisation y est multi Gaussicnne et respecte les moyenne, variance rt modèle de variabilité spatiale de yrctv.
Lorsque la méthode dc déformation graduelle est intégrée dans un processus d'Opt11111Satlon cOnlllle technique de paramétrage, la fonction objectif à
minimiser devient S ,%(t)-.)[1~~(t) ~nhs~r~D~.~'~t~ uohsJ' En effet, comme pour la méthode des points pilotes, il semble redondant d'ajouter la contrainte a priori dans la fonction objectif, car le paramétra~~e préserve intrinsèquement le modcle de variabilité spatiale. Le vecteur t rassemble les différents coefficients de déformation. Ces coefficients sont les paramètres du problème d'optimisation.
Il s'agit d'identifier ces paramètres de déformation de façon à réduire la fonction objectif autant que possible.
La méthode de déformation graduelle, telle qu'elle est présentée ici, implique que l'ensemble de la réalisation est défbnné pour minimiser la fonction objectif.
Toutefois, la méthode de déformation graduelle peut aussi s'appliquer localement. Dans ce cas, au lieu l~ de combiner des réalisations avec un modèle de variabilité spatiale donné, on combine les bruits blancs Gaussiens utilisés pour générer ces réalisation structurées.
Plus précisément, quand on veut localiser la déformation sur une zone donnée, on détonne graduellement les composantes (les nombres aléatoires) du brait blanc Gaussicn attribuées aux mailles comprises dans la zone à détonner. Cette technique est décrite dans le document suivant ?0 - Le Ravalec, M., Noetinger, B., and Hu, L.-l'., 2000, « Tlre FFT nrooing awrngc~
(FFT Rf.-f) generator : an efficient nrun~rical nrethod .for gencrating nnd conditioning Garrssinn sirurrlnlions. », Matit. Geol., 32(6), 701-7?3.
A la limite, la méthode de déformation graduelle peut ëtre appliquée à une composante isolée du bruit blanc Gaussien. Elle tend alors vers la méthode des points ?~ pilotes. Une ctiffércncc importante est à noter : la méthode de déformation graduelle empëche que le point modifié ne prenne des valeurs extrémcs. En outre, si plusieurs points sont modifiés suivant la méthode de déformation graduelle, Ics corrélations spatiales entre les points déformés sont prises en compte. Cependant, la méthode de défonnati~n graduelle est négligeable quand elle est appliquée à des points . Aussi, un processus g d'optimisation impliquant ce tye de paramétrage sera-t-iI
vl'aISClllblablcnlcllt beaucoup moins efficace que la méthode des point pilotes.
La méthode selon l'invention permet de déformer localement une réalisation de façon significative tout en préservant lc modéle de variabilité spatiale.
La méthode selon l'invention L'invention concerne une méthode de mise à jour d'un modèle géolo~~ique de réservoir, représentatif du comportement d'un milieu poreux hétérogéne et discrétisé dans l'espace en un ensemble de cellules formant un maillage représentatif dc la structure dudit milieu, penncttant de prendre en compte des données dynamiques (DD) acquises par mesures et variant au cours du temps cn fonction d'écoulements de tluide dans ledit milieu, la méthode comportant les étapes suivantes A) un construit une carte initiale (v) de propriétés pétrophysiques à l'aide d'un simulateur géostatistique et de données statiques (SD) ;
1 ~ B) on intégre lesdites données dynamiques (DD) en optimisant ladite cane initiale: cn réalisant les étapes suivantes a)- on construit un jeu initial de points pilotes graduels (PP;) ;
b)- on construit au moins un jeu complémentaire de points pilotes graduels (PP~) ;
c)- on construit un jeu combiné de points pilotes graduels (PP(~)) en combinant lesdits jeux de points pilotes graduels (PP; et l'P~) suivant la méthode de déformation graduelle dans laquelle au moins un paramètre de défunnation est un paramètre caractéristique desdits points pilotes ;
d)- on modifie les valeurs des propriétés pétrophysiques de ladite calte initiale (t') en la contraignant par ledit jeu combiné de points pilotes graduels (l'l-'(~)) et par lesdites données statiques (SD) ;
c)- on modifie ledit jeu combiné (PI'(~)) et l'un réitére à l'étape c) jusqu'à
cc qu'un critère d'arrët soit atteint ;
C) on met à jour ledit modéle géologique de réservoir, en associant ladite carte optimisée à l'étape B) audit maillage du modéle.

Les jeux initiaux et complémentaires de point pilotes Sraducls peuvent ctre construits à l'aide de génératiuus aléatoires utilisant des lois de distributions Déduites dos valeurs des doutées statiques (SD).
Les paramëtres caractéristique d'un point pilote peuvent i;tre choisis panai les paramètres suivants : sa position et sa valeur de propriété pétrophysiquc associée.
Scion l'invention on peut utiliser un simulateur d'écoulement pour estimer des données dynamiques simulées à partir des valeurs des propriétés pétrophysiqucs de ladite carte initiale (v) modifiée. On peut ainsi effectuer une comparaison, à l'aide d'une fonction objectif, des données dynamiques simulées et des données dynamiques acquises par mesures, pour modifier le jeu combiné et définir le critère d'arrêt. Dans cc mode dc réalisation, tant que la fonction objectif est supérieure à un seuil, si elle ne converge pas, on peut modifier ledit paramètre de déformation et poursuivre l'optimisation à
l'étape c), et si elle converge, on peut remplacer le jeu initial de points pilotes graduels (~f',) par le jeu 1 ~ combiné de points pilotes graduels (PP(t)) et réitérer à partir de l'étape b) Lcs données statiques peuvent ~trc des diagraphies ct!uu des mesures sur tics échantillons prélevés dans des puits et/ou des données sismiques, et les données dynamiques peuvent être des données de production et,~ou d'essais de puits et.'ou de temps de percé.
?0 Présentation succincte des fibures D'autres caractéristiques et avantages de la méthode selon l'invention, apparaitront à la lecture dc la description ci-aprés d'exemples non limitatifs de réalisations, en se référant aux figures annexées et décrites ci-après. 1 \ IETHOD FOR THE DAY A GEOLOGICAL DAY
RESERVOIR WITH AID OF DATA
The present invention relates to a method for updating a model geological history, representative of the structure and behavior of a résenoir tanker, by integrating dynamic data.
In particular, the lllventloll method applies to the construction of a cane, associated with the geological model of reservoir, representative of properties static and dynamic petrophysics and their variability space.
The method aims to give the engineer the means to better estimate the rcsen ~ cs of an oil field and to optimize the recovery by choosing a diagram of adequate production.
State of the art The optimization and exploitation of oil deposits is based on a description as precise as possible of the structure and behavior of the resen ~ oir studied. For this do, specialists use a tool that can account for these two aspects of approximate way: the geological model of rescn ~ oir. A geological model dc find a therefore, to give an account, at best, of the structure and behavior of tank. The model is, to do this, made up of different elements: a mesh that constitutes the backbone of the reservoir and which must be representative of the structure, and maps of petrophysical properties associated with this mesh ~~ e and which must be representative of the compurtement. This association consists in assigning a petrophysical value from cards at each mesh of the model.
A petrophysical property map describes the spatial distribution, or structure spatial, in a sustained zone, continuous petrophysical properties or discrete, C (1111111C penneability, porosity, type of lithology ...
Classically these cards are obtained from stochastic methods, and are then called: models Stochastic.
In a stochastic context, we speak rather of realizations than of models digital.
The precision of these stochastic realizations (property maps petrophysical) therefore, it will be necessary to determine the quality of optimization and operating a oil field. It is therefore necessary to develop achievements stochastic, and therefore more usually models of the same, as consistent as possible with all of the collected data (well, SlsmlquCS, laboratories, ...).
The data available to constrain stochastic achievements are said S static or dynamic. A data is static if it corresponds to a measure of the property modeled at a given point and if it is independent of time.
The measures of permeability laboratory sites on rock samples or the logs measured along the wells are static data, for example. A data is dynamic if it depends on time, it is related to the modeled property, but is not a direct measurement. Production data and -1D seismic data which vary with fluid flows are dynamic data. Like the data are insufficient to allow a deterministic description of the distribution space of the considered property, we use modeling techniques stochastic, lc more often based on geostatistical techniques, which provide a family of models numerical stochastics associated with the geological reservoir model, and called achievements.
In a stochastic context, the data describing the geology of the environment define a random function. For the same random function, he There is an infinity possible achievements. All these achievements are not compatible by against with ? 0 the dynamic data.
The integration of static and dynamic domains into the realization stochastic is not done in the same way. Integration of static data is done at moment of the generation of the realization while that of the dOIlIleCS
dynamic passes by solving an inverse problem using the simulator flow. For approach the inverse prubleme, we start by defining a function called objective, or "Cost function", which measures the interest of the realization or the model of resen ~ oir proposed.
In the early work on this topic, the objective function was a direct measurement the difference between the dynamic data collected in the field and the responses COITCSp011da11tCS O11IC11UCS by simulation 0 J ~ y ~ _ ~ lv, ~ cl f; "~, - ~~ rs, ~~

y is the realization considered ct J (y) the value of the objective function for this production. The w's are weighting coefficients. "Ds" are the data collected dynamiclucs, and d, ';', are the corresponding responses simulated. g is the operator who goes from space uncomplicated realizations to space Datas dynamics: d ,; ", _ ~~ (y). By minimizing this objective function, we detinne a realization reproducing as well as possible the data set dynamic.
Unfortunately, the spatial structure of the realization thus obtained is not in general more consistent with that of the initial realization, ie with the dcmnées geological.
A framework more suited to the definition of the objective function is provided by The approach Bayesian. We then add information a priori in the function objective This approach is described in the following document - Tarantola, A., 1987, "Inverse problem theory - the lcthods for data fitting and model parameter estimation. ", Elsevier, Amsterdam, 613 p.
The objective function is then expressed as follows J (f) = 2 (s (~~) -a, bs) D ~~ (~ s (~) - ~~ Gs) + ~ (~~ - ~~ 0) ~~ 1'I (~~ - ~ ~) The first ton of the objective function deals with the constraint of likelihood: he measure the difference between the dynamic data observed in the field and the data equivalent obtained by numerical simulation. The second outfit corresponds to the constraint a priori: it quantifies the difference between the model of resen ~ oir a priori, ~ y, deduced geological information a priori, and the proposed reservoir model, y.
The matrix of covariance C ~ characterizes the experimental and theoretical incitudes, while that C>
is uncertain on the model a priori. The 11111111111sat1C111 of the objective function provides a model as little as possible from the prior model and such that data of ""
simulated for this model are close to the data measured in the field.
The calculation of the objective function can be difficult, especially because both Illatl'lles of covariance that must be reversed. As a general rule, the matrix of covariance data is assumed to be diagonal and reverses easily. This hypothesis is certainly questionable depending on the cases envisaged, for example with seismic ~ 1D, but is not questioned here. The case of the covariance matrix relative to modcle is there more embarrassing. Indeed, the covariance matrix a priori C, ~ a for dimension the lon ~ ucur of the vector y and the calculation of its inverse is often impossible for the models (: Olllportallt a very important number of meshes.To date, to simplify taking in account of the prior constraint, basically three types of approaches have summer developed. The first type of approach is the decomposition of the matrix dc covariance C, - in subspaces: the least important components are born ~~ ligées, which makes it possible to reduce the number of variables. This technique is described in the next document - Reynolds, AC, He, N., Cltu, L., and Olivet, DS, 1995, "I <epnna" mtcr-i = tio "
teak 'figs for' gc 'cralirr ,; reserwoir dcscriplio »s co» ditio »ed to oaringrams a "cl wcll-test pressrwe data. SPE Annual Technical Confcrence and Exhibition, Dallas, TAC, October 22-23, SPE 30588, p. 609-624.
The second type of approach is based on the mathematical modeling of errors in the parameter space by a Gaussian random function of mean zero and I ~ exponential covariance the lonb of privileged direcaiuns. It exists then properties mathematics that analytically calculate the inverse of the matrix of covariance a priori. This method is described, for example, in FR 2 635,197 (US 4,972,383).
Finally, the third type involves a geostatistical parameterization. Getting distinguished the pilot point method introduced in the following document - Marsily, G. de, 1978, "On the ideology" of the Irrologic systems.
Thesis Doctorate of State, Paris V1 University, France.
and the gradual deformation method described in the following document - Hu, LY, 2000, "Gr-aclrrcrl dc / mn" crtio "a" d iteratioc calibratlo "of Gaussia "-nelatcd stoclrastic models. Math. Gcology, v. 32, no. l, p. 87-108.
The pilot point method was first introduced in the framework of the estimation before they are extended to the conditioning of stochastic realizations by data pure dyllanllqUCS

S
- RamaRao, BS, LaVenuc, AM, Marsilly, G., and Marietta, MG, 1995, "Pilot purot nmlltoclulu ~~ v Jrn crrrtumutc ~ cl culibrcrtiun uJ ~ an c ~ nsemblc ~
u /
conditionally simulutecl transnrissiaily, / ielcls. 1. T7m'oyv nucl computmionul crxperinu ~ nts. ", Water Res. Res., 31 (3), 475-493.
This is a technical way to locally unlock achievements from 11ot71bCe reduced parameters while respecting the spatial variability of the modeled property (pcnebility, porosity, speed ...). Briefly, to modify the realization, we select a set of points (or meshes), called pilots, whose values can be modified. The disturbance generated in these points is propagated to the whole of the realization by kri ~ ca ~ e following the expression I has ~~ -J ~ m ~~~ + ~ J ~~~~ -J'AOO
y is an unconstrained realization. y ,, ~ results from kri ~ ea ~ e data static and values of the pilot points and Jy of the krigea ~ e values of J ~ to the same points. Jr is a constrained realization that honors the spatial variability model and the values of 1 ~ static data as well as the values chosen for the drivers.
In other outfits, pilot points are assimilated to static data that are used to to force the production. The values of the pilot points are the parameters of the problem of opt11711Sat1o11.
These "escudos" data, unlike the real static data, nc are not fixed: they can vary during the optimization process in order to reduce the objective function. As the changes are propagated throughout the realization by kriging, one ensures the consel-vation of the model of spatial variability. from when he is considered redundant to add the holding relating to the constraint a priori in the objective limction. This SC ralnellC dcnllCre then to the unique outfit measuring the gap between Ies real dynamic data and the corresponding responses obtained by simulation. It is no longer necessary to determine the inverse of the covariance matrix a priori. This property is fundamental and characteristic of the point method drivers.
However, the pilot point method can give rise to artifacts digital.
In some cases, the minimization of the ohjective function goes through the attribution of values extremes at the pilot points. We can then arrive at values that are trup (ilrtes, be too much weak, who do not really make sense, physically speaking. To avoid these arts, inequality constraints can be integrated into the process optimization: Ics Parameter changes are then dropped. This technique is specified in the doC11171e11t from RamaRao et al. (1990, cited above).
pilot points are adjusted independently of each other. It is therefore necessary that pilot points are separated by a greater distance uu equal to the correlation length. Yes cotte distance is not respected, the pilot point method does not guarantee the preservation the model of spatial variability.
The braducllc deformation method was initially proposed to modify continuously stochastic processes Gaussions (random processes).
It's a geostatistical parameterization technique that allows to deform a realization a resonance model comprising any number of stitches from one number reduced parameters, while respecting the model of spatial variability. The concept of base is that the sum of Gaussian random functions is a function Shuffle ~ irc Gaussicnnc.
The simplest gradual detonation scheme is to add two Gaussian molli random functions. Be 3 '~ and Y', two such functions independent and stationary order 2. They are also assumed to average (a ~), variance and covariance model. We build a new random function the (t) en combining the t and i '~ following the expression } ~~ t ~ -y ~, _ ~ 1. ~ -Y "~ cos (t ~ + ~ Yz - ~ u" ~ sin (t ~
It can be shown that for any deformation coefficient t, Y has a mean mime, variance and spatial variability model that Y ~ and r '~. Indeed, the sum coef ~ ticicnts squared, ie cos ~ (t) + sin ~ (t), is 1. According to this principle of combination, one can, at from two independent realizations of Yt and Y ', noted y ~ ct ie, build a chain of achievements depending solely on the deformation parameter t.
5. T n n n n (1 1 1 CC CC CC CC CC CC CC 1 1 This chain of achievements goes through yt and y ~. When t is 0, y equals y ~.
When T
is worth ~ clZ, y equals y '. By continuously varying the coefficient of deformation since 0, we simulates the continuous failure of the realization at. By continuously varying The coefficient of defonation t from 0, we simulate the continuous deformation of the realization y, taken as initial realization. An essential point is that, fear any value of t, the realization is multi Gaussicnne and respects the average, variance rt model of spatial variability of yrctv.
When the gradual deformation method is integrated into a process Opt11111Satlon cOnlllle parameter setting technique, the objective function to minimize becomes S,% (t) -.) [1 ~~ (t) ~ nhs ~ r ~ D ~. ~ '~ T ~ uohsJ' Indeed, as for the method of pilot points, it seems redundant to add the a priori constraint in the objective function, because the parametra ~~ e preserves intrinsically the model of spatial variability. The vector t brings together the different coefficients of deformation. These coefficients are the parameters of the optimization problem.
It's about to identify these deformation parameters in order to reduce the function goal as much as possible.
The method of gradual deformation, as presented here, involves than the whole of the realization is deigned to minimize the objective function.
However, Gradual deformation method can also apply locally. In this case, instead l ~ to combine achievements with a given model of spatial variability, we combine Gaussian white noise used to generate these structured achievements.
More precisely, when we want to locate the deformation on a given area, we detonate gradually components (random numbers) of Gaussicn white brait attributed to mesh included in the area to be detonated. This technique is described in next document ? 0 - Ravalec, M., Noetinger, B., and Hu, L.-l., 2000, "Tlre FFT nrooing awrngc ~
(FFT Rf.-f) generator: an efficient nrunical nrethod .for gencrating nnd conditioning Garrssinn sirurrlnlions. Matit. Geol., 32 (6), 701-7? 3.
At the limit, the method of gradual deformation can be applied to a isolated component of Gaussian white noise. It then tends towards the method of points ? ~ drivers. An important point to note is the deformation method gradual prevents the modified point from taking extreme values. In addition, if several points are modified according to the method of gradual deformation, the correlations space between the deformed points are taken into account. However, the method of défonnati ~ n gradual is negligible when applied to points. Also, a process boy Wut of optimization involving this setting tye will I-i There is a lot of less effective than the pilot point method.
The method according to the invention makes it possible to locally deform an embodiment of significantly while preserving the pattern of spatial variability.
The method according to the invention The invention relates to a method for updating a geological model of reservoir, representative of the behavior of a heterogeneous porous medium and discretized in space into a set of cells forming a mesh representative of the structure of said environment, to take into account dynamic data (DD) acquired by measurements and varying over time as a function of fluid flows in said medium, the method comprising the following steps A) builds an initial map (v) of petrophysical properties using a geostatistical and static data (SD) simulator;
1 ~ B) integrating said dynamic data (DD) by optimizing said cane initial: cn performing the following steps a) - an initial set of gradual pilot points (PP;) is constructed;
b) - at least one additional set of gradual pilot points is constructed (PP ~);
c) - a combined set of gradual pilot points (PP (~)) is constructed in combining said sets of gradual pilot points (PP; and P ~) according to the method of deformation in which at least one defunct parameter is a parameter characteristic of said pilot points;
d) - the values of the petrophysical properties of said calte are modified initial (t ') by constraining it by said combined set of gradual pilot points (l - '(~)) and by said static data (SD);
c) - modifying said combined game (PI '(~)) and reiterating it in step c) until CC
a stop criterion is reached;
C) the said reservoir geological model is updated, by associating the said map optimized in step B) at said mesh of the model.

The initial and complementary games of pilot point Sraducls can be built using Random Generations Using Distribution Laws Deduced back values of static doubts (SD).
Parameters characteristic of a pilot point can be selected the following parameters: its position and its petrophysical property value associated.
According to the invention, a flow simulator can be used to estimate simulated dynamic data from petrophysical property values of said initial map (v) modified. We can thus make a comparison, using a function objective, simulated dynamic data and dynamic data acquired by measures, to modify the combined game and to define the stopping criterion. In cc dc mode realization, as long as the objective function is above a threshold, if it do not converge, one can modify said deformation parameter and continue the optimization to step c), and if it converges, we can replace the initial set of gradual pilot points (~ f ',) by the game 1 ~ combined gradual pilot points (PP (t)) and repeat from step b) Static data can be used to log logs and measure ticks samples taken from wells and / or seismic data, and data dynamics can be production and / or well test data and.or time of pierced.
? 0 Brief presentation of fibures Other features and advantages of the method according to the invention, appear on reading the following description of non-limiting examples of achievements, referring to the appended figures and described below.

2~ - la figure 1 schématise la méthode selon l'invention avec défonttation d'un seul paramètre ;
- la fibure 2 schématise la méthode selon l'invention avec déformation dc plusieurs paramètres ;

- la ligote 3 montre un champ de perméabilité de référence et lignes de courant. Les positions où des valeurs de pennéabilités sont connues sont incliyuées par des ronds avec des croit superposées ;
- la figure 4 illustre une: fonction de répartition (CDF) des temps (T) pris par des 5 particules pour traverser le milieu ;
- la tigure SA montre une réalisation initiale ;
- ta figure SB montre une réalisation contrainte par les données dynamiques à
partir de la méthode des points pilotes ;
- la figure SC montre une réalisation contrainte par les données dynamiques à
partir 10 de la méthode de déformation g~raduclle globale ; et - la figure SD montre une réalisation contrainte par les données dynamiques à
partir de la méthode des points pilotes graduels. La position des points pilotes est indiquée par un carré avec une croix superposée.
1 ~ Description détaillée de la méthode La méthode selon l'invention concerne une méthode pour mettre à jour un modèle béologique de résen~oir, représentatif de la structure et du comportement d'un milieu poreux hétérogène, par intégration de données dynamiques. Plus particulièrement, la méthode selon l'invention s'applique à la construction d'une carte, associée à
un modèle çéologique de réservoir, représentative des propriétés pétrophysiques statiques ainsi que de leurs variabilités spatiales, cohérente avec les données dynamiques collectées sur le terrain, cunnne des données de production ou des données de sismique 4D.
Un modèle géologique de réservoir est constitué d'un maillage, discrétisant la structure d'un milieu poreux hétérogène, et d'au moins une carte de propriétés pétrophysiques, représentatives du comportement de ce milieu. Une carte se compose d'un maillage, qui n'est pas nécessairement le méme que le maillage dU tllOdele géolobiduc dc réscn~oir, dont chaque maille est associée à une valeur pétrophysiyuc.
L'ensemble de ces valeurs, lices par des relations spatiales, constitue une « réalisation ». Ce terme vient du fait que l'on considère yue la propriété pétrophysique et considérée comme une variable aléatoire. Dil-lërcntes réalisations de cette variable aléatoire fournit autant de cartes de propriétés pétrophysiques.
Selon l'invention la construction de telles cartes comporte trois étapes principales Étape El Tout d'abord, on mesure sur lc tcn-ain d'une part, des clonnécs statiques (SD) telles que des dia~Taphies, des mesures sur des échantillons prélevés dans les puits, des données sismique, et d'autre part, des données dynamiques (DD) telles que des données dc production, d'essais de puits, ou de temps de percé et dont la particularité
est de varier au I Q cours du temps en fonction des écoulements de fluide dans le résen~oir.
Ensuite on réalise une analyse de leurs variabilités spatiales par des techniques bien cunnues des spécialistes telle que l'analyse variographique. Le schéma ~éncral de la méthode selon l'invention, est représenté sur la figure 1.
Étape E2 1 ~ Puis, à partir des données statiques, on définit une fonction aléatoire, caractérisée par sa fonction de covariance (ou de façon analogue par son vario~.:ramme), sa variance et sa moyenne, à l'aide de techniques d'analyse de données bien connues des spécialistes.
Par ailleurs on définit, pour chaque carte, un maillage et un jeu de nombres aléatoires tirés indépendamment les uns des autres : il peut s'agir, par exemple, d'un bruit blanc 20 Gaussien ou de nombres uniformes. II existe donc un nombre aléatoire indépendant pour chaque maille et pour chaque carte.
Enfin, à partir d'un simulateur géostatistique choisi et du jeu de nombres aléatoires, un tirage aléatoire dans la fonction aléatoire est effectué, donnant accés à
une réalisation, C(1112111Ue OU discrète, représentant une image possible des propriétés pétrophysiclucs du 2~ réservoir.
La réalisation aléatoire associée esl notée 3~. Elle n'est contrainte ni par les données statiques (SIS), ni par Ies données dynamiques (DD).
Étape E3 A ce stade, Ics données d~~namiques n'ont pas étc considcrces. Elles sont intc~~r~cs dans les modèles géolobiques de réser<~oir par lc biais d'une optimisation ou d'un calage des cartes. On dcfinit une fonction objectif mesurant l'écart entre Ies données dynamiques mesures sur lc terrain et ICS repOnseS C(1TTCSp()ndantCC 51111uICCS pour la réalisation considérée. Le but du processus d'optimisation est de modifier petit à petit cette carie pour réduire la fonction objectif. Au final, les cartes modifiées sont cohérentes vis-à-vis des données statiques et vis-à-vis des données dynamiques.
Cette étape de la méthode selon l'invention peut étre appelée « méthode des points pilotes graduels », car elle s'appuie sur une intégration de la méthode des points pilotes (ntarsily, G., 1978) et de la méthode de défonmation graduelle (I-Iu, L. Y., ?000). Dc fait, elle permet de modifier une réalisation localement et significativement comme la technique des points pilotes tout cn préscwant lc modèle dc variabilité spatiale comme la technique des déformations g~raduelles_ Dans ce cadre, on appelle « points pilotes graduels » des points pilotes sur lequel on applique une technique de déformations graduelles.
1 ~ Cette étape comporte les étape E4 à EI? suivantes.
Étapes E4 et E4' En parallèle à la sénération d'une réalisation y, on construit un jeu initial de points pilotes graduels, noté PP; (étape E~), et au moins un jeu complémentaire de points pilotes graduels, noté PP~ (étape E~t ').
?0 Pour ee faire, on dcfinit tout d'abord la position sur la carte de chaque points. Des études de sensibilité peuvent étre envisal;ées à partir de calcul de gradients pour placer aux mieux les points pilotes sur la carte. On peut également placer ces points dans des zones où
l'on souhaite apporter une déformation à la carte. Par exemple, lorsque l'on veut inté~~rer des données de sismique 4D, il est judicieux de placer les points au niveau dos intorfàces 2~ entre les fluides saturant lc résewoir.
Ensuite, on associe à chaque point pilote une valeur de propriété
pétrophysique. Pour lc jeu complémentaire, on génère aléatoirement et 111dCpC1ldalllnlCllt, et en suivant la nll'111C
fonction aléatoire duc celle utilisée pour ~;éncrcc 3~, un jeu initial de valeurs. Cc jeu initial constitue alors une réalisation. Cette réalisation associée au jeu complémentaire de points 30 pilotes graduels peut, par exemple, ctre produite à partir de la méthode de Cholcsky. Cette méthode est décrite par exemple dans le docUll7ellt suivant - Chilès, J.P., Dclfincr, P., 1999, « Ceostcrtistics - Aloct'~ling spatial ««contai«tn.
I t ïlcy sonies i« probability and statistics », New 5'ork, USA.
La méthode de Cholesky pcnmct de générer des réalisations molli-gaussicnnes cn des points iwégulièrcmcnt distribués dans l'espace. Elle est appropriée tant que lc nombre dc points est peu important. Au delà de 1000 points, on pr~fère employer une autre méthod e dc simulation, telle que la méthode des bandes tournantes, la méthode de simulation séquentielle Gaussienne, ou encore la méthode FFTMA.
Pour le jeu initial on peut utiliser les mëmes méthodes, mais l'on peut égalemeltt directement utiliser les valeurs de la carte initiale j~.
Étape E~
Les points pilotes ~~aducls PP; et PP~ sont ensuite combinés suivant la méthode dc déformation graduelle pour produire un jeu dc points pilotes ~~raducls Pf (t).
Lc schéma de base consiste à combiner deux jeux de points pilotes graduels suivant l'expression 5't~(t~- ~'o =~~'~ -Ya~~os(t~+~y -)'o~sin(t~
1 ~ y;~ et y sont Ics deux jeux de points pilotes L.~raduels ramenés par anamophose, si nécessaire, dans une base normale. Dans ce contente, on vérifie que les paramètres d'inversion ne sont pas les valeurs des points pilotes graduels elles-mornes, mais lc cocl~ticicnt dc déformation t. Cette formulation réduite ici à la combinaison de deux jeux de points pilotes graduels peut ctre étendues à la combinaison de N jeux de points pilotes ?0 graduels. Dans ce dernier cas, le nombre de paramètres de défonnation est porté à N-1 comme montré dans le document suivant - Ro~~~cro, F., and Hu, L.-Y., 1998, « Gract'ttcrl tleJnrntation o/~
co«ti«tto«.c geoslatistical muclt:ls Jùr histurv nuuchin~~ », SPE ATCE, 49004, New Orleans, LA, USA.
25 L'intérct de combiner ensemble un g~rund nombre de jeux de points pilotes graduels est d'apporter plus clc flexibilité au processus d'optimisation. II est en effet plus facile dc réduire une fonction objectif quand on dispose de plusieurs leviers pour explorer l'espace des jeux de points pilotes graduels.
Les paramètres de défonmation affectent simultanément l'ensemble des points pilotes 30 graduels. Dans ce cas, la delorlllatlOtl graduelle est dite globale et les corrélations spatiales 1~
entre les points pilotes sont prises cn compte. En d'autres tenues, les points pilotes graduels obtenus f'f'(t) honOrCnt le modcle de variabilité spatiale pour toute valeur des paramètres de déformation (t).
Étape Eb Après l'étape dc combinaison b~-aduelle, on se référe à la technique du kri'~ca~c (étape E~ pour contraindre Ia realrsatlon ~~ précédemment générée à l'étape E?, par les données statiques d'une part (SD), et le jeu de points pilules issu de la defonnatron graduelle PP(t) d'autre part J'«.r~"~=J',re~~u~+~J'~n~-J'A~u y est la réalisation initiale issue de l'étape E?, y,r~ l'estimation du kri~~eage des données statiques disponibles ainsi que des polnls pilotes graduels, et y~
l'estimation du krigeage des valeurs de y à l'emplacement des mesures et des points pilotes.
ys,t est la réalisation contrainte par les données statiques (SU).
Étape E7 f 5 L'exécution d'une simulation d'écoulement FS pour cette réalisation contrainte y.,,, pennet de calculer un ensemble de données dynamiques.
Étape ERS
A partir des donnes dynamiques calculées à l'étape E7, et des données dynamiques mesurées, on estime une fonction objectif F (étape E8). Celte fonction objectif mesure l'écart entre les données simulées et les donn~es réelles mesurées.
Étape E9 On compare la valeur de la fonction objectif avec un seuil fixé F. lest un réel proche de zéro. Si la fonction objectif F est suffisamment faible, c'est-à-dire si F
est inférieure à la valeur E fixée, Ic processus de recherche du minimum s'arr~te (STOP). Uans le cas Z~ contraire, deux situations sont envisageables.

Étanc E10 Ccs deux situations sont fonction dc la convergence dc la fonction ohjcctif F.
Ainsi à
l'étape E10 on détcnnine si la fonction objectif converge vers une valeur palier, notée P, ou non. Ainsi, selon la convergence (C~ ou non de la fonction objectif F on réalise l'étape 5 E 11 ou l'étape E 12 Étanc Ell Si la fonction objectif n'a pas convergé, on poursuit l'optimisation O en cours, en variant les paramètres de déformation. Les paramètres des optimisations O
successives sont les paramètres de déformation. Leur nombre égale le nombre de jeux de points pilotes 10 complémentaires. Le nombre de paramètres peut donc être très réduit.
Étanc E12 Bien que 1a fonction objectif F soit encore importante (supérieur à e), elle a converge vers un palier P. On considère les paramètres de déformation, tels que le paramètre t, déterminés à ce stade conmne des paramètres optimaux et on Ics utilise pour remettre à jour 15 le jeu initial de points pilotes L,~raducls initiaux PP,. Puis, un nouveau jeu complémentaire de points pilotes PP~ est tiré au hasard (étape E4'). On lance alors une nouvelle optimisation O des paramètres de déformation (étapes ES à EI I ).
?0 Puisque la détunnation des points pilotes ~,~raduels est globale, c'est à
dire que les points pilotes sont modifiés simultanément à partir des mëmcs paramctrcs de déformation, les points pilotes défonn~s honorent le modèle de variabilité spatiale. Cette propriété est importante. Elle permet de placer les points pilotes graduels comme on veut sur la réalisation. ll n'est pas nécessaire de respecter une distance minimale entre ees points.
2> En bref, les paramètres ajustés pour minimiser la fonction objectif sont Ies paramètres de déformation assurant la CC1111b111a1SCln CICS points pilotes plutôt que Ics valeurs des points pilotes elles-mêmes. En d'autres termes, Ics valrurs des points pilotes ne sont plus directement gouvernées par l'optimiscur. On utilise la méthode dc déformation graduelle comme intermédiaire entre les points pilotes et l'optimiseur. Ainsi, au cours du processus d'optimisation, 1'optimiscur modifie Ies coefficients de déformation graduelle, qui eux contrôlent les valeurs des points pilotes.
Second mode de réalisation Selon un second mode de réalisation, la méthode selon l'invention peut ~tre étendue en intégrant dans la fonction objectif un paramètre p) de déformation graduelle contrôlant la position des points pilotes graduels- En faisant varier ce paramètre, on modifie la position des points pilotes graduels.
Dans ce mode de réalisation, on considère non seulement les valeurs des deux jeux de points pilotes graduels initiaux (f'P; ct PP~), mais aussi Ieurs posrtrons.
Ces positions correspondent à des nombres uniformes qui sont transfonnés en nombres Gaussions Y=G~(x) où G est la fonction de rcpartition normale standard, x le vecteur position du point pilote et l' son associé dans la base normale standard. On peut combiner graduellement deux positions possibles xi ct x~ dc points pilotes suivant l'expression:
x(p) = G[G~~(r,)cos(p)+G-~(x,)sin(p)J
p est le paramètre de déformation. En variant le paramètre de déformation, on modifie la position du point pilote. Cette méthode a été introduite dans le document Hu, L.-Y., 2000, Geostats 2UOU Cape Town, 1'VJ Kleingeld and DG Krige (eds.), ?0 1, 9~-103.
Ainsi, au cours du processus d'optimisation, on peut chercher à estimer le paramètre de déformation optimal P, c'est à dire la position des points pilotes réduisant le plus possible la fonction objectif.
Autre mode de réalisation ?5 On peut également, selon un autre mode de réalisation dc l'invention, rhcrchcr à
estimer simultanément les paramètres dc dvl~~rmation optimaux p et l, comme illustré sur ta figure 2.

Exemple d'application L'exemple suivant illustre l'ef~tïcacité de la méthode développée. Cet exemple: est limité à la déformation des valeurs des points pilotes (paramètre 1 de déformation, ligurc 1 ). La figure 3 présente une carte (un champ) de perméabilité k synthétique discrétisée sur une grille de 30 mailles dans la direction X, et par 20 mailles dans la directions Z. La taille de la maille est de 1 m par 1 m. La distribution est lognonnale ; la moyenne ct la variance de ln(k) valent 3 et 1, respectivement. La variabilité spatiale dc ln(k) est apprchcndce par un variogramme isotrope sphérique de longueur de corrélation 10 m. Pour cette carte synthétique de référence, on simule numériquement une expérience d'injection de traceurs : des particules inertes sont injectées du coté gauche de la carte et produites du cillé droit. On obtient alors des données dynamiques, dites de référence, qui sont la fonction de répartition (CDF) des temps (T) pris par la particules injectées pour traverser le milieu, comme l'illustre la li~:,ure 4, sur laquelle le temps T est indiqué en jour. On suppose à présent que la carte de perméabilité de référence n'est pas connue. La seule information 1 ~ disponible pour caractériser la carte de penméabilité est donnée par la moyenne, la variance, Ie modélc de variabilité spatiale, la mesure dc la pcnncabilitc en cinq points identifiés par des ronds sur lesquels sont superposées des croix et la fonction de répartition des temps de traversée. Considérons à présent la carie de perméabilité
représenté sur la figure SA comme point initial de notre processus d'investigation. Cette carte est cohérente vis à vis des propriétés statistiques, des cinq mesures de pennéabilité, mais pas des temps de traversée. 11 faut donc la détonner pour assurer aussi la reproduction des temps de traversée. On applique alors la méthode des points pilotes, la méthode de déformation graduelle et la méthode selon l'invention (méthode des points pilotes graduels) pour amcliorer lc calage des temps de traversée. A chaque fois, on part du m~mc point initial.
2~ Les cartes de penmcabilité obtenues cn tin de calage, c'est à dire à la fin du processus d'optimisation, sont représentées sur les figures SB, SC et SD pour chacune des méthodes.
Pour la méthode des points pilotes (figure SB), on a placé G points pilotes :
Ils sont SyI71bU11SeS par des carrés auxquelles se superposent des croix. On rappelle que Ics points pilotes doivent étre scparés par au moins une longueur de corrélation, ce qui limite le nombre de points possibles. On observe que la carte de perméabilité contrainte a cté
modifiée essentiellement en haut (tigure SB). Par ailleurs, dans le cadre de la méthode des points pilotes, on a un paramétre par point pilote. On utilise donc ici six paramétrcs. Pour la méthode de délormatiun graduelle (figure SC) et la méthode selon l'invention (ti~ure Sl)), on considère un unique paramétre. L'ensemble de la carte de pennéab111té
a Cté
moditié au cours du processus d'optimisation. Pour la méthode de déformation graduClle (figure 5C), Ce résultat est naturel, car la déformation était dc type globale. Pour la méthode selon l'invention (fïgure SD), le fait de prendre en compte 1CS
corTi;lations spatiales entre points pilotes graduels nous autorise à en placer autant que l'un veut sur la carte de pennéahilité. Enfin, l'efficacité des techniques de défonnation utilisée est pressentie en tonnes de nombre de simulations d'écoulement pour réduire la fonction objectif de 9~°ô (Tableau 1). La fonction objectif est ici définie comme la diffërence au carré entre les temps de traversée simulés et les temps de traversée de référence. Pour la méthode des points pilotes, le cas étudié nécessite l'exécution d'une centaine de simulations d'écoulement pour réduire la fonction objectif de 95~~.
Parallélement, la méthode de défonnation graduelle implique l'exécution d'une cinquantaine de simulations d'écoulement, alors que la méthode selon l'invention n'en réclame qu'une vingtaine.
Tableau 1. Nombre de simulations d'écoulement csécutécs pour réduire la fonction ohjcctif dc 9~%.
Mthode de dformation Nontbre de simulations d'coulement Points pilotes 100 Dfonmation graduelle 50 Points pilotes graduels 20 La méthode selon l'invention permet donc de mettre à jour un modéle géotogiquC
de rcser<~oir, représentatif de la structure et du comportement d'un milieu poreur hétérogéne, en intégrant des propriétés pétrophysiqucs statiques et dynamiques dans la définition dCS CartCS aSSOCICeS. l.a méthode comporte un paramétrage qui permet d'intégrer des données dynamiques en défitnnant localement et efficacement une carte initiale pour la 2~ rendre cohérente vis-à-vis d'un ensemble de données dynamidues tout en préservant la structure spatiale de la réalisation. Les corrélations spatiales entre les points pilotes graduels sont prises en compte. ()n peut donc placer autant de points pilotes que l'on veut sur utte carte de propriétés pétrophysiques : i) n'est pas nécessaire dc respecter une distance minimale entre les points. De plus, que cette méthode ne nécessite pas de contraindre les valeurs des points pilotes par des inégalités.
Enfin, les variations de la fonction objectif sont contrôlées à partir d'un petit nombre de paramètres (le nombre de paramètres n'est pas le nombre de points pilotes). ~1 la limite, on minimise la fonction objectif en ajustant un unique paramètre Je délùrmation.
La méthode donne donc à l'ingcnicur des moyens d'intégrer Ics données dynamiques pour prédire le comportement dynamique d'un gisement pétrolier. 2 ~ - Figure 1 shows schematically the method according to the invention with defontation of one parameter;
fibure 2 schematizes the method according to the invention with deformation dc many settings ;

ligot 3 shows a field of reference permeability and lines of current. The positions where penneability values are known are included by round with superimposed ones;
FIG. 4 illustrates a distribution function (CDF) of the times (T) taken by Particles to cross the medium;
- the tigure SA shows an initial realization;
- your figure SB shows a realization constrained by the dynamic data to go the pilot point method;
FIG. SC shows an embodiment constrained by the dynamic data at go 10 of the global warhead deformation method; and the figure SD shows a constrained realization by the dynamic data to go of the gradual pilot points method. The position of the pilot points is indicated by a square with a superimposed cross.
1 ~ Detailed description of the method The method according to the invention relates to a method for updating a model of the structure and behavior of a patient.
middle porous heterogeneous, by integrating dynamic data. More especially, the method according to the invention applies to the construction of a map, associated with A model reservoir, representative of petrophysical properties static as well as their spatial variability, consistent with the dynamic data collected in the field, cunnne production data or 4D seismic data.
A geological model of reservoir consists of a mesh, discretizing the structure of a heterogeneous porous medium, and at least one property map petrophysical, representative of the behavior of this environment. A map is consists of a mesh, which is not necessarily the same as the mesh of TllOdele geolobiduc dc rescn ~ oir, each mesh is associated with a petrophysiyuc value.
All of these values, by spatial relations, constitutes an "achievement". This term comes from consider that the petrophysical property is considered as a variable random. The achievements of this random variable provide as many cards of petrophysical properties.
According to the invention the construction of such cards comprises three stages main El step First of all, we measure on the one hand, on the one hand, static data (SD) such that dia ~ Taphies, measurements on samples taken from the wells, Datas seismic data, and on the other hand, dynamic data (DD) such as data dc production, well testing, or breakthrough time and whose particularity is to vary at IQ course of time depending on the flow of fluid in the resen ~ oir.
Then we perform an analysis of their spatial variability by techniques well specialists such as variographic analysis. The ~ encral scheme of the method according to the invention is shown in FIG.
Step E2 1 ~ Then, from the static data, we define a random function, characterized by its function of covariance (or in a similar way by its vario ~.: ramme), its variance and its average, using data analysis techniques well known to specialists.
In addition, we define, for each map, a mesh and a set of numbers random drawn independently of each other: for example, it may be white noise 20 Gaussian or uniform numbers. There is therefore a random number independent for each mesh and for each card.
Finally, from a selected geostatistical simulator and the numbers game random, a random draw in the random function is performed, giving access to a realization, C (1112111Ue OR discrete, representing a possible image of the properties petrophysiclucts 2 ~ tank.
The associated random realization is noted 3 ~. It is not constrained by the data static data (SIS) or dynamic data (DD).
Step E3 At this stage, this data has not been considered. They are intc ~~ r ~ cs in geolobial models to reser <~ oir through an optimization or a calibration cards. An objective function is defined that measures the gap between dynamic data measurements on the field and ICS repOs C (1TTCSp () ndantCC 51111uICCS for the production considered. The goal of the optimization process is to modify little by little this caries for reduce the objective function. In the end, modified maps are consistent vis-à-vis static data and vis-à-vis the dynamic data.
This step of the method according to the invention can be called "method of points gradual pilots "because it is based on an integration of the method of pilot points (ntarsily, G., 1978) and the method of gradual defonation (I-Iu, LY, ? 000). Dc done, it makes it possible to modify a realization locally and significantly as the technique pilot points, while the model of spatial variability the technique In this context, we call "pilot points"
gradual pilot points on which a deformation technique is applied gradual.
1 ~ This step comprises the steps E4 to EI? following.
Steps E4 and E4 ' In parallel with the senation of a realization y, one builds an initial game of gradual pilot points, rated PP; (step E ~), and at least one game complementary points gradual pilots, noted PP ~ (step E ~ t ').
To do this, we first define the position on the map of each points. of the Sensitivity studies can be considered from gradients to place to better the pilot points on the map. We can also place these points in areas where we want to bring a deformation to the map. For example, when one wants to enter 4D seismic data, it makes sense to place the points at the level of backs 2 ~ between the fluids saturating lc resewoir.
Then, each pilot point is associated with a property value petrophysics. For lc complementary game, one generates randomly and 111dCpC1ldalllnlCllt, and in following the nll'111C
random function that used for ~; encrcc 3 ~, an initial set of values. This initial game then constitutes an achievement. This achievement associated with the game complementary points 30 gradual pilots can, for example, be produced from the method of Cholcsky. This method is described for example in the following docUll7ellt - Chiles, JP, Dclfincr, P., 1999, "Ceostcrtistics - Aloct 'space ling '"Recounted" tn.
Probability and statistics, New York, USA.
Cholesky's method of generating soft-Gaussian creations of the points regularly distributed in space. It is appropriate as long as lc number dc points is not important. Beyond 1000 points, one prefers to use a other method e simulation, such as the bandwidth method, the method of simulation sequential Gaussian, or the FFTMA method.
For the initial game we can use the same methods, but we can égalemeltt directly use the values of the initial map j ~.
Step E ~
Pilot points ~~ aducls PP; and PP ~ are then combined according to the dc method gradual deformation to produce a set of pilot points ~~ raducls Pf (t).
Lc scheme base consists of combining two sets of gradual pilot points following expression 5't ~ (t ~ - ~ 'o = ~~' ~ -Ya ~~ os (t ~ + ~ y -) 'o ~ sin (t ~
1 ~ y; ~ and there are two sets of pilot points L. ~ radues brought back by anamophosis, if necessary, in a normal base. In this content, we check that the settings inversion are not the values of the gradual pilot points themselves, but lc cocl ~ ticicnt de deformation t. This formulation reduced here to the combination two sets of gradual pilot points can be extended to the combination of N games of pilot points 0 graduals. In the latter case, the number of disconnection parameters is worn at N-1 as shown in the following document - Ro ~~~ Cro, F., and Hu, L.-Y., 1998, "Gract'ttcrl tleJnrntation o / ~
co «ti" tto ".c geoslatistical muclt: ls Jur histurv nuuchin ~~ ", SPE ATCE, 49004, New Orleans, LA, USA.
The interest of combining together a large number of sets of pilot points gradual is to bring greater flexibility to the optimization process. It is in easier effect dc reduce an objective function when there are several levers for explore the space gradual pilot point sets.
The defonation parameters simultaneously affect all the points pilots 30 gradual. In this case, the gradual delimitation is called global and the spatial correlations 1 ~
between the pilot points are taken into account. In other outfits, the points pilots Gradually obtained f'f '(t) honOrCnt the spatial variability modcle for any value of deformation parameters (t).
Step Eb After the b ~ -adual combination step, reference is made to the technique of kri ~ ca ~ c (step E ~ to constrain the realrsatlon ~~ previously generated at the step E ?, by the static data on the one hand (SD), and the set of pill points derived from the defonnatron gradual PP (t) secondly J '". ~ R' ~ = J ', re ~~ u ~ + ~ J' ~ n ~ u ~ -J'A
y is the initial realization resulting from the step E ?, y, r ~ the estimation of the kri ~~ eage static data available as well as gradual pilot polnls, and y ~
the estimate of the kriging the values of y at the location of measurements and pilot points.
ys, t is the realization constrained by the static data (SU).
Step E7 f 5 Performing a flow simulation FS for this embodiment constraint y. ,,, allows to compute a set of dynamic data.
ERS stage From the dynamic data calculated in step E7, and data dynamic measured, an objective function F is estimated (step E8). This function objective measure the difference between the simulated data and the actual measured data.
Step E9 We compare the value of the objective function with a fixed threshold F.
real close from scratch. If the objective function F is sufficiently weak, that is, if F
is less than the value E fixed, the search process of the minimum stops (STOP). In the case Z ~ contrary, two situations are possible.

Etanc E10 These two situations depend on the convergence of the function F.
So at step E10 we detuned if the objective function converges to a value bearing, rated P, or not. Thus, according to the convergence (C ~ or not of the objective function F on complete the stage 5 E 11 or step E 12 Ell stall If the objective function has not converged, we continue the optimization O in course, in varying the deformation parameters. Optimization parameters O
clear are the deformation parameters. Their number equals the number of games pilot points 10 complementary. The number of parameters can be very small.
Etanc E12 Although the objective function F is still important (greater than e), it has converges to a P. level. Deformation parameters, such as the parameter t, determined at this stage with optimal parameters and we use them for update 15 the initial set of pilot points L, initial ~ raducls PP ,. Then, a new complementary game pilot points PP ~ is drawn at random (step E4 '). We then launch a news O optimization of the deformation parameters (steps ES to EI I).
? 0 Since the detunnation of the pilot points ~, ~ radues is global, it's up to to say that pilot points are modified simultaneously from the same parameters of deformation, the broken pilot points honor the spatial variability model. This property is important. It allows you to place the gradual pilot points as you want on the production. It is not necessary to respect a minimum distance between these points.
2> In short, the parameters adjusted to minimize the objective function are ies deformation parameters ensuring the CC1111b111a1SCln CICS pilot points rather than the values pilot points themselves. In other words, the valrurs of the points pilots are not more directly governed by optimiscur. We use the method dc deformation Gradual as intermediary between the pilot points and the optimizer. So, during the optimization process, optimiscur modifies the deformation coefficients gradual, who control the values of the pilot points.
Second embodiment According to a second embodiment, the method according to the invention can be scope by integrating in the objective function a parameter p) of deformation gradual controlling the position of the gradual pilot points- By varying this parameter one modify the position of the gradual pilot points.
In this embodiment, not only are the values of the two games initial gradual pilot points (f'P; ct PP ~), but also their posrtrons.
These positions correspond to uniform numbers that are transformed into numbers Gaussions Y = G ~ (x) where G is the standard normal distribution function, x the vector position of the point driver and the associated sound in the standard normal base. We can combine gradually two possible positions xi ct x ~ dc pilot points according to the expression:
x (p) = G [G ~~ (r,) cos (p) + G- ~ (x,) sin (p) J
p is the deformation parameter. By varying the deformation parameter, changes the position of the pilot point. This method was introduced in the document Hu, L.-Y., 2000, Geostats 2UOU Cape Town, VJ Kleingeld and DG Krige (eds.), ? 0 1, 9 ~ -103.
Thus, during the optimization process, we can seek to estimate the parameter of optimal deformation P, ie the position of the pilot points reducing the most possible the objective function.
Other embodiment According to another embodiment of the invention, it is also possible to rhcrchcr to Simultaneously estimate the optimal parameterization parameters p and l, as illustrated on your figure 2.

Application example The following example illustrates the effectiveness of the method developed. This example: is limited to the deformation of the values of the pilot points (parameter 1 of deformation, ligurc 1). FIG. 3 presents a card (a field) of synthetic permeability k discretized on a grid of 30 meshes in the X direction, and by 20 meshes in the Z directions. The size the mesh is 1 m by 1 m. The distribution is lognonnale; the average ct the variance of ln (k) are 3 and 1, respectively. The spatial variability dc ln (k) is apprchcnce by a spherical isotropic variogram of correlation length 10 m. For this map synthetic reference, we digitally simulate an injection experiment of tracers: inert particles are injected on the left side of the card and produced from straight. We then obtain dynamic data, called reference data, which are there distribution function (CDF) of the times (T) taken by the particles injected to cross the middle, as illustrated in li ~:, ure 4, on which time T is indicated in day. We assume now that the reference permeability map is not known. The only information 1 ~ available to characterize the penmeability card is given by the average, the variance, the model of spatial variability, the measurement of the inability to five points identified by circles on which are superimposed crosses and the distribution function crossing times. Now consider permeability decay represented on the figure SA as the initial point of our investigation process. This card is consistent with respect to statistical properties, the five measures of permeability, but no time crossing. It must therefore be detonated to ensure the reproduction of time to crossing. The pilot point method is then applied, the method of deformation gradual method and method according to the invention (method pilot points gradual) for improve the timing of crossing times. Each time, we start from the m ~ mc initial point.
2 ~ Penmcability cards obtained cn tin of calibration, ie at the end of the process optimization, are shown in Figures SB, SC and SD for each methods.
For the pilot point method (Figure SB), we set G pilot points:
They are Syllabus by squares to which crosses are superimposed. We call back that the points pilots must be separated by at least one correlation length, which limit the number of possible points. It is observed that the permeability card constrained was essentially modified at the top (Figure SB). Moreover, as part of the method of pilot points, we have a parameter per pilot point. So here we use six paramétrcs. For the gradual release method (Figure SC) and the method according to the invention (ti ~ ure Sl)), we consider a single parameter. The entire map of Cannes was modality during the optimization process. For the deformation method graduClle (Figure 5C), This result is natural because the deformation was type dc overall. For the method according to the invention (FIG SD), taking into account 1CS
corti; lations space between gradual pilot points allows us to place as many one wants on the penneability card. Finally, the efficiency of deformation techniques used is estimated in tons of number of flow simulations to reduce the function objective of 9 ~ ° ô (Table 1). The objective function is defined here as the difference to squared between the simulated crossing times and the crossing times of reference. For the method of the pilot points, the case studied requires the execution of a hundred of flow simulations to reduce the objective function of 95 ~~.
At the same time, gradual deformation method involves the execution of fifty or so simulations flow, whereas the method according to the invention requires only one around twenty.
Table 1. Number of runoff simulations run to reduce the ohmic function dc 9 ~%.
Deformation method No flow simulations Pilot Points 100 Gradual disassembly 50 Gradual pilot points 20 The method according to the invention thus makes it possible to update a geotogical model to represent, representative of the structure and behavior of an environment poreur heterogeneous, by integrating static and dynamic petrophysical properties in the definition dCS CartCS associates. the method has a setting that allows to integrate dynamic data by locally and efficiently defeating a map initial for 2 ~ make consistent vis-à-vis a set of dynamidues data while preserving the spatial structure of the realization. The spatial correlations between pilot points gradual factors are taken into account. () n can therefore place as many pilot points we want on utte petrophysical property map: i) is not necessary dc respect a distance between the points. Moreover, this method does not require any to force values of pilot points by inequalities.
Finally, the variations of the objective function are controlled from a small number of parameters (the number of parameters is not the number of points drivers). 1 ~
the limit, we minimize the objective function by adjusting a single parameter I
délùrmation.
The method therefore gives the engineer the means to integrate the data to predict the dynamic behavior of a petroleum deposit.

Claims

1) Method for updating a reservoir geological model, representative of behavior of a heterogeneous and discretized porous medium in space in one together cells forming a mesh representative of the structure of said medium, allowing to take into account dynamic data (DD) acquired by measurements and varying during time as a function of fluid flows in said medium, the method including following steps:
A) an initial map (v) of petrophysical properties is constructed using a geostatistical and static data (SD) simulator;
B) integrating said dynamic data (DD) by optimizing said card initial performing the following steps:
a) - an initial set of gradual pilot points (PP i) is constructed;
b) - at least one additional set of gradual pilot points is constructed (PP c);
c) - a combined set of gradual pilot points (PP (t)) is constructed in combining said sets of gradual pilot points (PP i and PP c) according to the method of deformation in which at least one deformation parameter is a parameter characteristic of said pilot points;
d) - the values of the petrophysical properties of said card are modified initial y) by constraining it by said combined set of gradual pilot points (PP (t)) and by said static data (SD);
e) - modifying said combined game (PP (t)) and repeating in step c) until this a stopping criterion is reached;
C) the said reservoir geological model is updated, by associating said map optimized in step B) at said mesh of the model.

2) The method according to claim 1, wherein the initial games and incremental pilot points are built using random generations using distributions laws deduced from static data values (SD).

3) Method according to one of the preceding claims, wherein the Parameters characteristic of a pilot point are chosen from the parameters following:
position and its associated petrophysical property value.

4) Method according to one of the preceding claims, wherein uses a flow simulator to estimate simulated dynamic data from of the petrophysical property values of said modified initial map (y), and we perform a comparison, using an objective function, of said dynamic data simulated and said dynamic data acquired by measurements, for modifying said game combined and define said stopping criterion.

5) Method according to claim 4, wherein, as said function objective is greater than a threshold, if it does not converge, modify said parameter of deformation and the optimization is continued in step c), and if it converges, we replace the initial set of gradual pilot points (PP i) by the combined set of points gradual pilots (PP (t)) and reiterates from step b).

6) Method according to one of the preceding claims, wherein the data static are logs and / or measurements on sampled samples in wells and / or seismic data.

7) Method according to one of the preceding claims, wherein the data dynamics are production data and / or well testing and / or time to perforated.